作者：吴建鑫 著
页数：368
出版社：机械工业出版社
出版日期：2025
ISBN：9787111766674
电子书格式：pdf/epub/txt
网盘下载地址：下载模式识别
内容简介
本书是模式识别领域的入门教材，系统阐述了模式识别的基础知识、主要模型及热门应用，并给出了近年来本领域一些新的成果和观点.。本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业研究生或本科生的教材，也可供相关领域研究人员和工程技术人员参考。全书共15章，分为五部分：第一部分（第1~4章）介绍了模式识别的基础知识；第二部分（第5~6章）介绍了与领域知识无关的特征提取；第三部分（第7~10章）介绍了分类器与其他工具；第四部分（第11~12章）介绍了如何处理变化多端的数据；第五部分（第13~15章）介绍了一些高阶课题，包括正态分布、EM算法和卷积神经网络。本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业研究生或本科生的教材，也可供相关领域研究人员和工程技术人员参考。
作者简介
吴建鑫
南京大学人工智能学院教授、博士生导师，入选中组部青年海外高层次人才引进计划（青年千人计划），2014年获得国家自然科学基金委优秀青年科学基金项目支持。主要从事计算机视觉和机器学习等领域的研究。在重要国际期刊如 TPAMI、IJCV、AIJ、JMLR 等以及重要国际会议如 ICCV、CVPR、ICML 等发表论文 100 余篇。曾担任国际会议 CVPR、ICCV、AAAI、IJCAI
等领域主席。发表论文被 60 余个国家和地区的学者引用 22000 余次。
本书特色
本书是南京大学吴建鑫教授多年深耕学术研究和教学实践的潜心力作，系统阐述了模式识别中的基础知识、主要模型及热门应用，并给出了近年来该领域一些新的成果和观点，是高等院校人工智能、计算机、自动化、电子和通信等相关专业模式识别课程的优秀教材。
目录
前言
符号表
第一部分 概述
第 1 章 绪论 2
1.1 样例: 自动驾驶 3
1.2 模式识别与机器学习 5
1.2.1 一个典型的模式识别流程 5
1.2.2 模式识别与机器学习8
1.2.3 评估、部署和细化 9
1.3 本书的结构 10
习题 12
第 2 章 数学背景知识 15
2.1 线性代数 15
2.1.1 内积、范数、距离和正交性16
2.1.2 角度与不等式 16
2.1.3 向量投影 17
2.1.4 矩阵基础 18
2.1.5 矩阵乘法 19
2.1.6 方阵的行列式与逆20
2.1.7 方阵的特征值、特征向量、秩和迹 22
2.1.8 奇异值分解 23
2.1.9 (半) 正定实对称矩阵 24
2.2 概率 25
2.2.1 基础 25
2.2.2 联合分布、条件分布与贝叶斯定理 27
VIII 模式识别
2.2.3 期望与方差/协方差矩阵 28
2.2.4 不等式 30
2.2.5 独立性与相关性 30
2.2.6 正态分布 31
2.3 优化与矩阵微积分 32
2.3.1 局部极小、必要条件和矩阵微积分 33
2.3.2 凸优化与凹优化 34
2.3.3 约束优化和拉格朗日乘子法36
2.4 算法复杂度 37
2.5 阅读材料 38
习题 39
第 3 章 模式识别系统概述 42
3.1 人脸识别 42
3.2 一个简单的最近邻分类器 43
3.2.1 训练或学习 43
3.2.2 测试或预测 44
3.2.3 最近邻分类器 44
3.2.4 k-近邻 46
3.3 丑陋的细节 46
3.4 制定假设并化简 49
3.4.1 设计工作环境与设计复杂算法 49
3.4.2 假设与简化 50
3.5 一种框架 54
3.6 阅读材料 55
习题 56
第 4 章 评估 58
4.1 简单情形中的准确率和错误率 58
4.1.1 训练与测试误差 59
4.1.2 过拟合与欠拟合 60
4.1.3 使用验证集来选择超参数62
4.1.4 交叉验证 63
4.2 最小化代价/损失 64
4.2.1 正则化 65
4.2.2 代价矩阵 66
目 录 IX
4.2.3 贝叶斯决策理论 67
4.3 不平衡问题中的评估67
4.3.1 单个类别内的比率67
4.3.2 ROC 曲线下的面积 69
4.3.3 查准率、查全率和 F 值 70
4.4 我们能达到 100％的准确率吗？ 72
4.4.1 贝叶斯错误率 72
4.4.2 真实标记 73
4.4.3 偏置-方差分解 74
4.5 对评估结果的信心 77
4.5.1 为什么要取平均？77
4.5.2 为什么要报告样本标准差？78
4.5.3 比较两个分类器 79
4.6 阅读材料 84
习题 84
第二部分 与领域知识无关的特征提取
第 5 章 主成分分析 90
5.1 动机 90
5.1.1 维度与内在维度 90
5.1.2 降维 92
5.1.3 PCA 与子空间方法92
5.2 PCA 降维到零维子空间 93
5.2.1 想法-形式化-优化实践 93
5.2.2 一个简单的优化 94
5.2.3 一些注释 94
5.3 PCA 降维到一维子空间 95
5.3.1 新的形式化 95
5.3.2 最优性条件与化简96
5.3.3 与特征分解的联系97
5.3.4 解98
5.4 PCA 投影到更多维度99
5.5 完整的 PCA 算法 99
X 模式识别
5.6 方差的分析 100
5.6.1 从最大化方差出发的 PCA102
5.6.2 一种更简单的推导 103
5.6.3 我们需要多少维度呢？ 103
5.7 什么时候使用或不用 PCA 呢？ 104
5.7.1 高斯数据的 PCA 104
5.7.2 非高斯数据的 PCA 105
5.7.3 含异常点数据的 PCA 106
5.8 白化变换106
5.9 特征分解与 SVD 107
5.10 阅读材料 107
习题 107
第 6 章 Fisher 线性判别 111
6.1 用于二分类的 FLD 112
6.1.1 想法: 什么是隔得很远呢?112
6.1.2 翻译成数学语言 114
6.1.3 散度矩阵与协方差矩阵 115
6.1.4 两种散度矩阵以及 FLD 的目标函数 116
6.1.5 优化 117
6.1.6 等等, 我们有一条捷径! 118
6.1.7 二分类问题的 FLD118
6.1.8 陷阱: 要是 S_W 不可逆呢? 119
6.2 用于多类的 FLD 120
6.2.1 稍加修改的符号和 S_W 120
6.2.2 S_B 的候选 121
6.2.3 三个散度矩阵的故事 121
6.2.4 解 122
6.2.5 找到更多投影方向 122
6.3 阅读材料123
习题 123
目 录 XI
第三部分 分类器与其他工具
第 7 章 支持向量机 128
7.1 SVM 的关键思想 128
7.1.1 简化它! 简化它! 简化它!129
7.1.2 查找最大 (或较大) 间隔的分类器 130
7.2 可视化并计算间隔 131
7.2.1 几何的可视化 131
7.2.2 将间隔作为优化来计算 132
7.3 最大化间隔 133
7.3.1 形式化 133
7.3.2 各种简化 134
7.4 优化与求解 136
7.4.1 拉格朗日函数与 KKT 条件 136
7.4.2 SVM 的对偶形式137
7.4.3 最优的 b 值与支持向量138
7.4.4 同时考虑原始形式与对偶形式 140
7.5 向线性不可分问题
前言
前言
模式识别是从输入数据中自动提取有用的模式并将其用于决策的过程, 一直以来都是计算机科学及相关领域的重要研究内容之一. 当前受到高度重视的深度学习技术, 其应用主要也是各种模式识别任务. 模式识别在社会生活的各个方面均有广泛的直接应用, 而相关的人才缺口却相当大, 也就是说, 我们为加强模式识别及相关领域的人才培养添砖加瓦是很有必要的.
本书作为模式识别领域的入门教材, 目的就是介绍模式识别中的基础知识、主要模型及热门应用, 通过理论学习和动手实践相结合的形式使初学者能有效入门, 并培养独立解决任务的能力, 为模式识别的项目开发及相关科研活动打好基础.
在模式识别领域中已经出版了若干经典的中、英文教材, 那么, 是否还需要一本新的教材 (比如你眼前的这一本) 呢？
受诸多因素 (例如深度学习的广泛普及) 影响, 目前模式识别体现出一些与 10 年前较为不同的特性,而本领域的一些经典教材大多出版于 10 年之前. 因此, 本书除了在最后一章介绍了卷积神经网络这一主要的深度学习模型之外, 还在各处给出近年来本领域一些新的成果和观点.
